Perbandingan Metode Peringkasan Data Hasil Keluaran Alat Pengukur Glukosa Darah Non-Invasif Menggunakan Model Klasifikasi

Abstract

Diabetes melitus merupakan penyakit menahun (kronis) yang dapat diderita seumur hidup. Pada tahun 2021, Indonesia menempati urutan kelima dari 144 negara yang diteliti dengan penderita diabetes terbanyak dengan angka penderita diabetes pada usia 20—79 tahun sebesar 19,5 juta orang. Tim non-invasif biomarking IPB sedang mengembangkan alat pengukur glukosa darah dengan metode non-invasif. Prinsip kerja alat ini menggunakan konsep spektroskopi inframerah yang menghasilkan output berupa data spektrum residu intensitas. Keluaran nilai residu intensitas dapat terbaca dengan jumlah berbeda setiap amatan. Penyeragaman jumlah nilai residu yang menjadi peubah prediktor ini dapat dilakukan menggunakan beberapa pendekatan peringkasan data, antara lain rataan, simpangan baku, rataan dibagi simpangan baku, dan luas puncak. Hubungan antara kelas kadar glukosa darah hasil pengukuran alat invasif dengan spektrum residu intensitas cahaya hasil pengukuran alat non-invasif dapat dianalisis menggunakan metode klasifikasi. Tujuan penggunaan metode klasifikasi adalah untuk melihat seberapa tepat alat pengukur glukosa darah non-invasif mengelompokkan nilai residu intensitas responden berdasarkan kelas kadar glukosa darah. Perbandingan kinerja decision tree, random forest, dan double random forest digunakan untuk menentukan hasil terbaik. Penelitian ini bertujuan untuk mengidentifikasi peringkasan data terbaik menggunakan model klasifikasi pada data kadar glukosa darah hasil keluaran alat invasif dan non-invasif. Evaluasi hasil klasifikasi menunjukkan metode peringkasan luas puncak merupakan metode peringkasan terbaik dibandingkan dengan peringkasan rataan, simpangan baku, dan rataan dibagi simpangan baku. Peringkasan luas puncak memiliki nilai akurasi paling tinggi yaitu sebesar 65,22% pada model klasifikasi decision tree dan random forest. Pada pemodelan double random forest, peringkasan luas puncak memiliki akurasi yang lebih kecil dibandingkan dengan peringkasan rataan dan rataan dibagi simpangan baku. Pemodelan double random forest tidak mutlak menghasilkan akurasi yang lebih baik dari random forest.

Diabetes mellitus is a chronic disease that can last a lifetime. In 2021, Indonesia is in fifth place from 144 countries studied with the most diabetes sufferers aged 20-79 years, amounting to 19.5 million people. IPB's non-invasive biomarking team is developing a blood glucose measuring device with a non-invasive method. The working principle of this tool uses the concept of infrared spectroscopy which produces output in the form of residual intensity spectrum data. The output residual intensity value can be read different amount for each observation. Standardize the number of residual values that become independent variables can be done using several data summary approaches, such as mean, standard deviation, mean divided by standard deviation, and graph area. The relationship between classes of blood glucose levels measured by invasive devices and the residual intensity measured by non-invasive devices can be analyzed using a classification method. The aim of using the classification method is to see how accurate the non-invasive blood glucose measuring device classifies respondent’s residual intensity values based on blood glucose level classes. Comparison of the performance of decision trees, random forests, and double random forests is used to determine the best results. This study aims to identify the best data summary using some classification models on blood glucose level data resulting from invasive and non-invasive devices. Evaluation of the classification results shows that the graph area summarization method is the best summarization method compared to the summarization of the mean, standard deviation, and mean divided by standard deviation. The graph area summary method has the highest accuracy value of 65,22% in the decision tree and random forest models. In double random forest modeling, the graph area summary method has lower accuracy compared to mean and mean divided by standard deviation summary. Double random forest classification model does not absolutely produce better accuracy than random forest.